踩坑教训

引子

AI 产品是一个新领域,没有老前辈的完整教训可以继承,踩坑几乎是必然的。但复盘下来,大家踩的坑高度相似——选错方向、业务算不过来、对模型能力过度乐观、承诺过早。这些坑的价值在于:它们是共性问题,提前知道,至少能少交一些学费。

本页把匿名从业者反复提到的踩坑经历提炼成「坑 → 为什么是坑 → 怎么避开」的结构。每条都是泛化后的经验,不指向具体公司或个人。

时效性

本文信息截至 2026-08。AI 技术与成本结构变化较快,文中涉及的具体现象可能随时间改变,但「先验证、再承诺」的方法论相对稳定。

为什么是坑:AI 的炫技感很强,「技术能做出来」很容易让人误以为「用户需要」。立项时只凭个人感觉或老板一句话,没有验证真实需求,做完才发现没人用——投入的时间、人力、信心全部白费。

怎么避开:立项前回答三个问题:目标用户是谁?他们现在怎么解决这个问题?AI 带来的增量价值具体是多少?先做最小验证(访谈、问卷、落地页、手动模拟服务),再投入开发。方法参考本站需求分析与用户研究栏目。

为什么是坑:传统软件边际成本趋近于零,但 AI 产品每次调用都要付模型费用。不少人上线后才发现:LLM 调用成本吃掉毛利、免费用户规模撑不起商业模式、或者客户付费意愿远低于预期。等到规模化时才暴露,返工代价极大。

怎么避开:立项阶段就做成本测算与 ROI 模型——把单次调用成本、频率、毛利、客户生命周期价值算清楚;关注成本下降的曲线,也要预留成本上升的空间(更多用户 = 更多调用)。工具见LLM 成本测算,商业化思路见商业化与增长。

为什么是坑:对模型能力过度乐观,把「演示效果好」当作「线上一定行」,上线后幻觉、漏检、格式不稳定等问题集中爆发。对 C 端是体验翻车,对 B 端或严肃场景(医疗、法律、金融)则可能直接失去客户信任,甚至引发合规风险。

怎么避开:上线前建立评测体系(种子集 + 定期回归),设计兜底机制(置信度门槛、人工介入、默认拒绝),并把能力边界写进产品文案与客服预案——让用户知道「什么情况下 AI 可能出错、出错怎么办」。参考模型能力与边界与评估与评测栏目。

为什么是坑:demo 效果好,向老板、客户或投资人承诺上线时间和效果;但 demo 与生产环境之间隔着数据、并发、评测、合规、组织协同等一堆变量,任何一环出问题,承诺就兑现不了。承诺一旦公开,信任损耗往往比功能缺陷更难修复。

怎么避开:对外沟通时用「阶段目标 + 验证标准」替代「上线时间 + 效果承诺」;给不确定性定价——把「可能不成立的部分」提前说清楚,比事后解释体面得多。这和项目管理与迭代里对风险的管理是一回事,只是 AI 项目的不确定性更高,更值得反复强调。

误区一:把「踩坑多」当资历。踩坑不等于成长,复盘才是;同一个坑踩两次,说明复盘机制有问题,而不是经验丰富。
误区二:归因偏差。成功了归因自己,失败了归因环境——这样的复盘是失真的。复盘时把「当时的决策依据」和「当时的信息」写下来,而不是给结果找理由。
误区三:听了别人的坑就以为自己避开了。坑的教训必须结合自己的业务语境才有用;机械照搬别人的对策,可能在新语境里引入新坑。别人的坑是「检查清单」,不是「答案」。